基于改进GICP配准的激光-惯性SLAM算法

激光点云配准性能是影响激光-惯性SLAM系统精度和实时性的重要因素,对于多线激光雷达,大量的待配准点虽然能提高配准精度,但是也会降低系统运行效率。针对该问题,提出了一种基于改进广义迭代最近点(GICP)配准的激光-惯性SLAM算法。首先,用改进的GICP算法进行点云配准,通过减少待配准点数量提高配对点的质量,增加迭代目标,提高了定位精度。其次,针对改进的GICP算法提出了一个高效的子地图模型,提高了系统运行效率。在KITTI数据集上的实验结果表明,与改进前的算法相比,所提算法的定位误差降低了69.98%;与Le GO-LOAM、LIO-SAM算法相比,所提算法的平均定位误差分别降低了88.44%和62.42%。同时进行了实测实验验证,与LeGO-LOAM、LIOSAM算法相比,所提算法的平均定位误差分别降低了21.02%和24.77%,且具有更高的系统运行效率。

基于局部子地图方法的多机器人主动同时定位与地图创建

研究了多机器人在未知环境下以主动的方式协作完成同时定位与地图创建(SLAM)的问题.引入局部子地图方法,由每个机器人建立自身周围局部区域的子地图,使多个机器人之间的地图创建相互独立,从而对全局环境的SLAM问题进行分解.而每个机器人在建立局部子地图时将主动SLAM问题转化为多目标优化问题;机器人选取最优的控制输入,使定位与地图创建的准确性、信息增益以及多机器人之间的协调关系得到综合优化.最后,通过扩展的卡尔曼滤波器(EKF)对子地图进行融合得到全局地图.仿真结果验证了该方法的有效性.

基于先验子图检测的失效航天器SLAM方法

基于激光雷达的航天器位姿估计技术是当前在轨服务研究热点。针对失效航天器位姿估计,将通用的图优化SLAM技术应用到空间非合作目标的研究中。为解决SLAM算法在动态场景中产生累积误差问题,利用失效航天器自身运动特点,提出一种基于先验子图检测改进的SLAM算法。在该算法中,通过激光雷达和惯性测量单元分别采集失效航天器及周围环境的点云数据、服务航天器的运动信息,构建出服务场景下航天器的相对位姿图;再采用先验子图检测方法建立不连续的位姿节点间的约束关系;最后用约束信息对位姿图进行优化。仿真结果表明,相较于通用的SLAM算法的位姿估计,该方法减小了累积误差,提高了相对位姿估计精度,可以为后期的导航、控制等在轨任务提供信息。

通讯范围受限条件下的多机器人主动SLAM

针对机器人通讯范围受限的问题,提出一种新的多机器人协作同时定位与建图(simultaneous locali-zation and mapping,SLAM)方法。多个机器人采用基于最优控制的主动探索策略,创建自身周围区域的子地图,在每个建图周期内使用扩展的卡尔曼滤波器(extended Kalman filter,EKF)估计和维护子地图状态,并在一个周期结束后联络其通讯范围内的其他机器人,进行子地图的传递与融合。同时,为避免由通讯范围受限带来的地图过度融合问题,每个机器人保存每个建图周期内的局部子地图,待与其他机器人相遇时只传递并融合子地图的增量部分。仿真实验验证了该方法的有效性。

基于子图分割和自适应噪音方差的2D移动机器人定位方法

基于子图分割和自适应噪音方差的2D移动机器人定位方法,不仅能有效地检测闭环,而且能更精准地估计移动机器人的位姿。首先,子图分割能够有效提高移动机器人的定位效率,通过匹配局部子图也能提高闭环检测的准确性,减少测量噪音的影响。与之前工作不同的是,根据2D几何特征点的个数来分割子图,使得子图中有足够的特征点,进而提高闭环检测的准确性。其次,在利用unscented卡尔曼滤波(UKF)模型时,使用自适应的噪音方差来估计移动机器人运动路径,使得每次UKF的预测方差与移动机器人当前环境有关,当检测到闭环时,通过UKF融合闭环定位信息,可以更准确地估计机器人位姿。在实验中,首先使用两组经典的移动机器人地图数据来比较基于特征点分割子图的方法与基于帧数分割子图的方法在闭环检测时的准确性;然后使用真实的移动智能车在室内环境进行实验,证明了自适应方差比常量方差有更高的定位精度。